3DEXCITE démocratise la vision assistée par ordinateur avec un nouveau mode de reconnaissance d’objets entrainé à partir d’images de synthèse

Dassault Systèmes, à travers sa marque 3DEXCITE, a développé un système de reconnaissance d’objets réels dont l’apprentissage a été réalisé exclusivement avec des jeux d’images de synthèses. Avec AWS Rekognition Label, les équipes de 3DEXCITE et d’AWS ont conçu un pipeline logiciel automatisé qui génère et étiquette des images de synthèse pour reconnaitre des pièces physiques dans un environnement réel. Le modèle de démonstration est capable de reconnaitre une pièce dans 98% des cas.

L’apprentissage à partir d’images réelles freine l’adoption de la reconnaissance d’objet

Une plus large utilisation de la reconnaissance d’objets par ordinateur permettrait de renforcer l’expérience client sur l‘ensemble de la chaine de valeur, allant de la fabrication à la maintenance en passant par la logistique. L’adoption de la reconnaissance d’objet est malheureusement freinée, dans le monde industriel, par des processus trop lourds quand il s’agit de créer les données nécessaires à l’apprentissage des algorithmes de reconnaissance visuelle. Ce sont des centaines d’images de l’objet réel, étiquetées manuellement, qui doivent être utilisées pour former un modèle d’apprentissage machine précis, capable de reconnaître un objet quel que soit l’angle de vue, l’éclairage ou le décor. Ce processus peut être acceptable pour des produits simples mais il est inadapté à des produits complexes constitués d’une multitude de pièces comme une automobile, un avion ou encore un bâtiment.

Des fichiers issus de la CAO comme base d’apprentissage

Pour faciliter l’adoption de la reconnaissance d’objet, 3DEXCITE a développé avec AWS un système de reconnaissance d’objets réels dont l’apprentissage a été réalisé exclusivement avec des jeux d’images de synthèses. Un système de démonstration, conçu pour reconnaître les différentes pièces d’une boîte de vitesse, a été réalisé en trois semaines avec AWS. Ce système utilise Amazon Rekognition Custom Labels pour l’apprentissage des modèles de reconnaissance, Amazon S3 pour stocker les images et Amazon SageMaker Ground Truth pour les labéliser. Des images de synthèse sont générées à partir des Processus 3DEXCITE sur la plateforme 3DEXPERIENCE de Dassault Systèmes. L’utilisation des fichiers de CAO (Conception Assistée par Ordinateur) permet de créer des jumeaux numériques des pièces à reconnaître et de générer des images plus réalistes, une fois exploitées par 3DEXCITE.  Il est possible de décliner des milliers de variantes pour un même objet en seulement quelques heures en modifiant les transformations d’images sur la plateforme. Dans le cas de ce prototype de boîte de vitesse, ce sont près de 2000 images de synthèses qui ont été associées à chaque pièce de la boîte de vitesse.

De nombreux cas d’usage dans le monde industriel

Avec ce nouveau mode de reconnaissance d’objet, 3DEXCITE de Dassault Systèmes permet de nouveaux cas d’utilisation pour la reconnaissance à l’échelle, apportant des capacités d’automatisation supplémentaires, la détection visuelle des défauts et le contrôle de la qualité sur les chaînes de montage, la gestion des stocks et le réassortiment tout au long des chaînes d’approvisionnement. Les avantages pour les clients sont donc la réduction des coûts, la rapidité, la mise à l’échelle et l’amélioration de l’efficacité globale des équipements (OEE).

La reconnaissance d’objets à partir d’images de synthèse ouvre la voie à une reconnaissance personnalisée qui permet d’envisager de nombreuses applications concrètes. Dans le monde industriel, les objets sont généralement uniques avec un numéro de série associé. Une reconnaissance générique n’est donc pas suffisante et il est souvent indispensable, non seulement de reconnaître un objet, mais également d’en déterminer le modèle précis avec son numéro de série pour ensuite pouvoir détecter les défauts. La précision obtenue par une reconnaissance personnalisée permet d’automatiser et d’améliorer l’assurance qualité, la traçabilité des produits ou les contrôles de bout en bout sur des chaînes de fabrication et de production. La souplesse de génération des images de synthèse permet de s’adapter rapidement à des variations dans la conception de produits. De nombreux processus peuvent bénéficier de cette technologie pour faire baisser les coûts de fabrication et augmenter la qualité.

Le monde industriel est le premier concerné par ce modèle de reconnaissance mais on peut imaginer d’autres applications dans le domaine grand public. L’utilisation d’images de synthèse apporte une rapidité et une flexibilité dans la préparation des données d’apprentissage qui va sans doute élargir la portée de la reconnaissance d’objet et faire émerger de nouveaux cas d’usage.